城市交叉口短時交通流預測模型與算法研究.pdf

1、城市交通問題早已升級為城市可持續(xù)發(fā)展的最大制約。智能交通系統(tǒng)ITS恰是能夠解決這一問題的對癥方法,實時準確的流量預測信息是實現(xiàn)有關(guān)于ITS中動態(tài)路徑誘導系統(tǒng)的基礎(chǔ)和關(guān)鍵,而交叉口是道路網(wǎng)中道路通行能力的咽喉、交通阻塞和事故的多發(fā)地,因此對交叉口的交通流量的預測顯得越發(fā)重要。目前交通流誘導控制的時間跨度變短,使得交通流量變化的隨機性、混沌性、非線性和不確定性加強,導致早期的有檢測器交叉口的短時交通流量預測模型開始不能夠很好的契合交通流量變

2、化時的種種特性,也不能夠較好的規(guī)避隨機因素對流量的預測產(chǎn)生較大的影響,得到的結(jié)果不能令人滿意;而在大多數(shù)城市有檢測器的交叉口數(shù)量還達不到全部交叉口的十分之一,如此一來對于沒有安裝檢測器的交叉口的交通流信息就很難取得,以上這些均成為了城市交通系統(tǒng)早日實現(xiàn)智能化的障礙與瓶頸,因此,針對兩類交叉口實時準確的短時交通流量預測的研究顯得尤為急切與重要。
　　在本文中首先分析和研究了國內(nèi)外學者針對兩類交叉口短時交通流量預測的現(xiàn)狀、未來的發(fā)展趨

3、勢、存在的問題。共歸結(jié)了三大問題以便在文章進行研究解決。
　　其次,利用遞歸圖和Lyapunov指數(shù)對費家營交叉口東進口的交通流數(shù)據(jù)進行了可預測性和混沌性分析。在此基礎(chǔ)上,再對該交叉口短時交通流的時空依賴性進行研究。第一,在時間維度上利用相似及波動系數(shù)進行了交通流的周相似性研究,確定了工作日、休息日、天氣(如晴天、雨天)等時間因素在交通流預測中的重要作用。第二,在空間維度上確定了交叉口進出口處預測斷面與周邊交叉口及路段之間流量的相

4、互影響關(guān)系,并針對鄰接和非鄰接路段將其空間依賴性量化,得到空間上的影響波及范圍。通過以上研究提出了基于多維時空參數(shù)的短時交通流預測模型及框架,為后面交叉口短時交通流量預測提供依據(jù)。
　　然后,針對有檢測器交叉口交通流量預測從組合模型的搭配模式和單項模型的權(quán)重參數(shù)選取方面著手對模型進行改進和優(yōu)化。依照各單項模型的優(yōu)缺點,選取三大子模塊并將其進行改造以便能夠利用多維時空因素;由于預測誤差為隨機誤差,則利用正態(tài)分布的良好特性,提出了基于

5、反饋機制的德爾塔變權(quán)重法,即利用各子模塊的預測誤差加權(quán)平均的方法,對于預測精度較高的預測值賦予較大的權(quán)重,由于各時段的交通狀態(tài)關(guān)系誤差不斷的變化進行反饋,從而權(quán)重可及時進行更新調(diào)整,不會造成過大的預測偏差,從而建立起了基于時空關(guān)聯(lián)狀態(tài)組合預測模型,并以安寧區(qū)區(qū)域路網(wǎng)部分交叉口為例,驗證了模型和算法的可行性。
　　最后,針對無檢測器交叉口交通流的預測問題,通過建立無檢測器交叉口與有檢測器交叉口之間的聯(lián)系,從而利用有檢測器交叉口流量來

6、進行預測的角度出發(fā)。第一,介紹了常用的幾類歸類方法,引入了基于貝葉斯最小風險準則的 PNN概率神經(jīng)網(wǎng)絡這一概念,并首次將其應用在無檢測器交叉口與有檢測器交叉口的歸類中,提出了基于PNN概率神經(jīng)網(wǎng)絡的交叉口分類模式的預測方法。第二,介紹了歸類后的預測手段,即有線性回歸和非線性擬合,并引出了BP神經(jīng)網(wǎng)絡和遺傳GA優(yōu)化后的BP神經(jīng)網(wǎng)絡的兩類非線性擬合思路。建立了有檢測器交叉口和無檢測器交叉口動態(tài)聯(lián)系,實現(xiàn)無檢測器交叉口在時間空間上的歸類與短時